Modelo heurístico de seleção de características em aprendizado de máquina

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSanches, Danilo Sipoli-
Autor(es): dc.contributorSanches, Danilo Sipoli-
Autor(es): dc.contributorSilva, Adriano Rivolli da-
Autor(es): dc.contributorPozza, Rogerio Santos-
Autor(es): dc.creatorSuyama, Carla Harumi-
Data de aceite: dc.date.accessioned2025-08-29T13:00:40Z-
Data de disponibilização: dc.date.available2025-08-29T13:00:40Z-
Data de envio: dc.date.issued2025-04-16-
Data de envio: dc.date.issued2025-04-16-
Data de envio: dc.date.issued2021-05-19-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/36554-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1105850-
Descrição: dc.descriptionOver the years, there has been a breakthrough in technology that has enabled people to generate more and more data, and the concept of Big Data has emerged. As a result, there was a need to treat them more automatically, leading to the development of techniques for the Knowledge Discovery process. Among the steps of the KDD, there is a reduction in dimensionality that is very important, because it eliminates attributes that do not contribute to the analysis. This work carried out a comparative analysis of Filter approaches already existing in the literature with a new method of Wrapper developed to reduce the dimensionality together with the classifiers Naive Bayes, KNN, AdaBoost and random forests, to verify which presented better performance in accuracy, precision and/or recall.-
Descrição: dc.descriptionCom o passar dos anos, houve um avanço da tecnologia que proporcionou que as pessoas começassem a gerar cada vez mais dados, surgindo então o conceito de Big Data. Com isso, houve a necessidade de tratá-­los de forma mais automática, levando a desenvolver técnicas para o processo de Descoberta de Conhecimento. Dentre os passos deste processo, existe a redução de dimensionalidade que é muito importante, porque elimina atributos que não contribuem para a análise. Este trabalho realizou uma análise comparativa de abordagens de Filtro já existentes na literatura com um novo método de Wrapper desenvolvido para reduzir a dimensionalidade juntamente com os classificadores Naive Bayes, KNN, AdaBoost e florestas aleatórias, para verificar qual apresentou melhor desempenho em acurácia, precisão e/ou em revocação.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCornelio Procopio-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsAttribution-NonCommercial 4.0 International-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc/4.0/-
Palavras-chave: dc.subjectHeurística-
Palavras-chave: dc.subjectClassificação-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectHeuristic-
Palavras-chave: dc.subjectClassification-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS-
Título: dc.titleModelo heurístico de seleção de características em aprendizado de máquina-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.